Roberto Teran
25 June 2022
Tradicionalmente la acuicultura vieen trabajando con modelos de crecimiento que solo incorporan una variable que es mas o menos conocida y que por calentamiento goblar viene en aumento en los ultimos años, pero siempre hubo una variable que hizo ruido pero que no estaba siendo incluida en el modelo de crecimiento, esta variable es el oxigeno disuelto, el cual afecta importantemente los porcesos productivos de engorda de salmones castigando los crecimientos si es que este parametro se mantenia en bajos rangos incluso generando mortalidades asociadas cuando es muy baja su concentracion. a continuacion trataremos de confirmar la estrecah relacion que existe entre el sgr y el o2.
## sem sgr o2 temp
## Min. : 1 Min. :0.1600 Min. : 5.398 Min. : 9.60
## 1st Qu.:114 1st Qu.:0.5400 1st Qu.: 7.548 1st Qu.:10.51
## Median :227 Median :0.7700 Median : 8.320 Median :11.47
## Mean :227 Mean :0.8765 Mean : 8.030 Mean :11.48
## 3rd Qu.:340 3rd Qu.:1.1600 3rd Qu.: 8.653 3rd Qu.:12.36
## Max. :453 Max. :2.5000 Max. :10.974 Max. :13.33
##Limpieza de datos. Permite comprobar si hay perdida de datos en el marco de datos.
## Warning: Unknown or uninitialised column: `arguments`.
## Unknown or uninitialised column: `arguments`.
se puede apreciar que no hay falta de datos
Para data revisada se realiza y se busca la mejor correlacion entre las variables
al obtener una correlacion mas baja mediante Pearson intentaremos mediante Spearman
obtuvimos una correlacion de 0.649
Buscamos relacion grafica
Aun no puede darse una respuesta clara de cual podria ser la mejor correlacion
##Muestre el efecto de las variables independientes con respecto a la variable dependiente.
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
La variable Sgr por lo que se puede ver es que depende claramente de O2 y temperatura .
##obtendremos las estimaciones de los parametros estadisticos##
##
## Call:
## lm(formula = sgr ~ o2, data = rt)
##
## Coefficients:
## (Intercept) o2
## -1.2128 0.2602
En la salida anterior se observan los valores estimados de ??0 y ??1 pero no aparece la estimacion de ?? Para obtener una tabla de resumen con detalles del modelo ajustado, se usa la funcion generica summary
##
## Call:
## lm(formula = sgr ~ o2, data = rt)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.20260 -0.24981 -0.07131 0.16356 1.50738
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.21280 0.16107 -7.53 2.8e-13 ***
## o2 0.26020 0.01993 13.05 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3881 on 451 degrees of freedom
## Multiple R-squared: 0.2743, Adjusted R-squared: 0.2727
## F-statistic: 170.4 on 1 and 451 DF, p-value: < 2.2e-16
Para incluir la recta de regresion que representa el modelo ajustado anterior…
la regresion lineal no se ajusta de buena manera a la nube de datos
utilizaremos regresion multiple
a medida que aumenta la temperatura, aumenta el SGR y en condiciones de mayor o2
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
## No scatter3d mode specifed:
## Setting the mode to markers
## Read more about this attribute -> https://plotly.com/r/reference/#scatter-mode
la grafica anterior confirma los aprecia anteriormente, el color mas claro muestra los puntos mas optimos.
#basandonos en el modelo 3d, la expresion que se ajusta es:
##
## Call:
## lm(formula = sgr ~ o2 + temp, data = rt)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.27840 -0.24930 -0.08086 0.18735 1.48631
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.73268 0.38872 -4.457 1.05e-05 ***
## o2 0.27823 0.02338 11.898 < 2e-16 ***
## temp 0.03266 0.02223 1.469 0.143
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3876 on 450 degrees of freedom
## Multiple R-squared: 0.2777, Adjusted R-squared: 0.2745
## F-statistic: 86.52 on 2 and 450 DF, p-value: < 2.2e-16
Para incluir el plano de regresion que representa el modelo ajustado anterior
Se crea el grafico 3d y se guarda en un objeto, por ejemplo mi_3d
podemos ver que en la grafica 3D la regresion se ajusta de mejor
manera los a ambas variables una dependeiente de la otra.
haca ya llevamos a un plano la regresion mostrando la mejosr
concordancia entre el O2 y el Sgr.
Ho: la variable respuesta es la misma en todas las poblaciones valoradas
Ha: la variable respuesta es mayor en alguna de las poblaciones
Cuando no se cumplen las hipotesis exigidas por el modelo ANOVA, es posible utilizar la prueba no paramétrica Kruskal-Wallis: ¿hay diferencias significativas entre las poblaciones?